# 相关性检索优化说明（当前实现）

  ## 1. 文档目标

  本文描述当前线上代码的文本检索策略，重点覆盖：

  - 多语言检索路由（`detector` / `translator` / `indexed` 的关系）
  - 统一文本召回表达式（无布尔 AST 分支）
  - 翻译缺失时的兜底策略

  - 重排融合打分与调试字段

  - 典型场景下实际生成的 ES 查询结构

  > 说明：向量召回（KNN）是另一维度，本篇仅简要提及，不展开。

  ## 2. 核心流程

  查询链路（文本相关）：

  1. `QueryParser.parse()`  

     输出 `detected_language`、`query_text_by_lang`、`search_langs`、`index_languages`、`source_in_index_languages`；另输出 `contains_chinese` / `contains_english`（仅服务混写辅助召回，见 §4 末）。

  2. `ESQueryBuilder._build_advanced_text_query()`  

     按 `search_langs` 动态拼接 `title/brief/description/vendor/category_*` 的 `.{lang}` 字段，叠加 shared 字段（`tags`、`option*_values`）；若命中混写辅助条件，在同一子句内并入另一语种列（§4 末）。

  3. `build_query()`  
     统一走文本策略，不再有布尔 AST 枝路。

  ## 3. 能力矩阵（Detector / Translator / Indexed）

  三类能力的职责边界：

  - **Detector**：识别 query 源语言（`detected_language`）
  - **Indexed**：租户可检索语言集合（`tenant_config.*.index_languages`）
  - **Translator**：源语言到目标语言的可翻译能力及实时成功率

  ### 3.1 决策规则

  1. 若 `detected_language in index_languages`：  
     源语言字段做主召回；其他语言走翻译补召回（低权重）。
  2. 若 `detected_language not in index_languages`：  
     翻译到 `index_languages` 是主路径；源语言字段仅作弱召回。
  3. 若第 2 步翻译部分失败或全部失败：  
     对缺失翻译的 `index_languages` 字段，追加“原文低权重兜底”子句，避免完全丢失这些语种索引面的召回机会。

  ### 3.2 翻译与向量：并发提交与共享超时

  `QueryParser.parse()` 内（Stage 4–6）对**离线调用**采用线程池提交 + **一次** `concurrent.futures.wait`：

  - **翻译**：对 `index_languages` 中除 `detected_language` 外的每个目标语种各提交一个 `translator.translate` 任务（多目标时并发执行）。
  - **查询向量**（若开启 `enable_text_embedding` 且域为 default）：再提交一个 `text_encoder.encode` 任务。
  - 上述任务进入**同一** future 集合；例如租户索引为 `[zh, en]` 且检测语种**不在**索引内时，常为 **2 路翻译 + 1 路向量，共 3 个任务并发**，共用超时。

  **等待预算（毫秒）**由 `detected_language` 是否属于租户 `index_languages` 决定（`query_config`）：
  
  - **在索引内**：`translation_embedding_wait_budget_ms_source_in_index`（默认较短，如 80ms）— 主召回已能打在源语种字段，翻译/向量稍慢可容忍。
  - **不在索引内**：`translation_embedding_wait_budget_ms_source_not_in_index`（默认较长，如 200ms）— 翻译对可检索文本更关键，给足时间。
  
  超时未完成的任务会被丢弃并记 warning，解析继续（可能无部分译文或无数向量）。

  ## 4. 统一文本召回表达式

  每个语言子句的基础形态：

  ```json
  {
    "multi_match": {
      "_name": "base_query|base_query_trans_xx|fallback_original_query_xx",
      "query": "<text>",
      "fields": ["title.xx^3.0", "brief.xx^1.5", "...", "tags", "option1_values^0.5", "..."],
      "minimum_should_match": "75%",
      "tie_breaker": 0.9,
      "boost": "<按策略决定，可省略>"
    }
  }
  ```

  最终按 `bool.should` 组合，`minimum_should_match: 1`。

  > **附 — 混写辅助召回**  
  > 当中英（或多脚本）混写时，为略抬召回：`QueryParser` 用 `contains_chinese`（文中有汉字）、`contains_english`（分词中有长度 ≥3 的纯英文 token）打标；`ESQueryBuilder` 在某一语言的 `multi_match` 上，按规则把**另一语种**的同类字段并入同一 `fields`（受 `index_languages` 限制），并入列的 boost 为配置值再乘 **`mixed_script_merged_field_boost_scale`（默认 0.8，`ESQueryBuilder` 构造参数）**。`fallback_original_query_*` 同样适用。字段在内部以 `(path, boost)` 列表合并后再格式化为 ES 字符串。
  

  ## 5. 关键配置项（文本策略）

  `query_config` 下与解析等待相关的项：
  
  - `translation_embedding_wait_budget_ms_source_in_index`
  - `translation_embedding_wait_budget_ms_source_not_in_index`
  

  位于 `config/config.yaml -> query_config.text_query_strategy`：

  - `base_minimum_should_match`
  - `translation_minimum_should_match`
  - `translation_boost`
  - `translation_boost_when_source_missing`
  - `source_boost_when_missing`
  - `original_query_fallback_boost_when_translation_missing`（新增）

  - `tie_breaker_base_query`

  新增项说明：

  - `original_query_fallback_boost_when_translation_missing`：  
    当源语种不在索引语言且翻译缺失时，原文打到缺失目标语字段的低权重系数，默认 `0.2`。

  说明：
  
  - `phrase_query` / `keywords_query` 已从当前实现中移除，文本相关性只由 `base_query`、`base_query_trans_*`、`fallback_original_query_*` 三类子句组成。
  

  ## 6. 典型场景与实际 DSL

  以下示例来自当前 `ESQueryBuilder` 生成结果（已按当前代码验证）。

  ### 场景 A：源语种已在索引语言中，且翻译成功

  - `detected_language=de`
  - `index_languages=[de,en]`
  - `query_text_by_lang={de:"herren schuhe", en:"men shoes"}`

  策略结果：

  - `base_query`：德语字段，正常权重
  - `base_query_trans_en`：英语字段，`boost=translation_boost`（默认 0.4）

  ### 场景 B：源语种不在索引语言中，部分翻译缺失

  - `detected_language=de`
  - `index_languages=[en,zh]`
  - 只翻译出 `en`，`zh` 失败

  策略结果：

  - `base_query`（德语字段）：`boost=source_boost_when_missing`（默认 0.6）
  - `base_query_trans_en`（英文字段）：`boost=translation_boost_when_source_missing`（默认 1.0）
  - `fallback_original_query_zh`（中文字段）：原文低权重兜底（默认 0.2）

  ### 场景 C：源语种不在索引语言中，翻译全部失败

  - `detected_language=de`
  - `index_languages=[en,zh]`
  - `query_text_by_lang` 仅有 `de`

  策略结果：

  - `base_query`（德语字段，低权重）
  - `fallback_original_query_en`（英文字段原文兜底）
  - `fallback_original_query_zh`（中文字段原文兜底）

  这能避免“只有源语种字段查询，且该语种字段在商家索引中稀疏/为空”导致的弱召回问题。

  ## 7. QueryParser 与 ESBuilder 的职责分工

  - `QueryParser` 负责“语言计划”与“可用文本”：
    - `search_langs`
    - `query_text_by_lang`
    - `source_in_index_languages`
    - `index_languages`

    - `contains_chinese` / `contains_english`

  - `ESQueryBuilder` 负责“表达式展开”：
    - 动态字段组装
    - 子句权重分配
    - 翻译缺失兜底子句拼接

  这种分层让策略调优主要落在配置和 Builder，不破坏 Parser 的职责边界。

  ## 8. 融合打分（Rerank + Text + KNN）
  
  当前融合逻辑位于 `search/rerank_client.py`。
  
  ### 8.1 文本相关性大分
  
  文本大分由三部分组成：
  
  - `base_query`
  - `base_query_trans_*`
  - `fallback_original_query_*`
  
  聚合方式：
  
  1. `source_score = base_query`
  2. `translation_score = max(base_query_trans_*)`
  3. `fallback_score = max(fallback_original_query_*)`
  4. 加权：
     - `weighted_source = source_score`
     - `weighted_translation = 0.8 * translation_score`
     - `weighted_fallback = 0.55 * fallback_score`
  5. 合成：
     - `primary = max(weighted_source, weighted_translation, weighted_fallback)`
     - `support = weighted_source + weighted_translation + weighted_fallback - primary`
     - `text_score = primary + 0.25 * support`
  
  如果以上子分都缺失，则回退到 ES `_score` 作为 `text_score`，避免纯文本召回被误打成 0。
  
  ### 8.2 最终融合公式
  
  ```python
  fused_score = (
      (rerank_score + 0.00001) *
      (text_score + 0.1) ** 0.35 *
      (knn_score + 0.6) ** 0.2
  )
  ```
  
  设计意图：
  
  - `rerank_score` 是主导信号
  - `text_score` 保留乘法增益，但通过较低指数避免词法高分过度放大
  - `knn_score` 保持弱参与，只作为语义召回补充
  
  ### 8.3 调试字段
  
  开启 `debug=true` 后，`debug_info.per_result` 会暴露：
  
  - `es_score`
  - `rerank_score`
  - `text_score`
  - `text_source_score`
  - `text_translation_score`
  - `text_fallback_score`
  - `text_primary_score`
  - `text_support_score`
  - `knn_score`
  - `fused_score`
  - `matched_queries`
  
  `debug_info.query_analysis` 还会暴露：
  
  - `query_text_by_lang`
  - `search_langs`
  - `supplemental_search_langs`
  
  这些字段用于检索效果评估与 bad case 归因。
  
  ## 9. 兼容与注意事项

  1. 当前文本主链路已移除布尔 AST 分支。  
  2. 文档中的旧描述（如 `operator: AND` 固定开启）不再适用，当前实现未强制设置该参数。  
  3. `HanLP` 为可选依赖；不可用时退化到轻量分词，不影响主链路可用性。  
  4. 若后续扩展到更多语种，请确保：
     - mapping 中存在对应 `.<lang>` 字段
     - `index_languages` 配置在支持列表内
     - 翻译 provider 对目标语种可用

  ## 10. 评估与复现
  
  建议使用项目根目录虚拟环境：
  
  ```bash
  cd /data/saas-search
  source ./activate.sh
  python -m pytest -q tests/test_rerank_client.py tests/test_es_query_builder.py tests/test_search_rerank_window.py tests/test_query_parser_mixed_language.py
  ./scripts/service_ctl.sh restart backend
  sleep 3
  ./scripts/service_ctl.sh status backend
  python ./scripts/eval_search_quality.py
  ```
  
  评估脚本会生成：
  
  - `artifacts/search_eval/search_eval_*.json`
  - `artifacts/search_eval/search_eval_*.md`
  
  可直接从 JSON 中提取 query 级和 result 级调试字段进行分析。
  
  ## 11. 建议测试清单

  建议在 `tests/` 增加文本策略用例：

  1. 源语种在索引语言，翻译命中缓存  
  2. 源语种不在索引语言，翻译部分失败（验证 fallback 子句）  
  3. 源语种不在索引语言，翻译全部失败（验证多目标 fallback）  
  4. 自定义 `original_query_fallback_boost_when_translation_missing` 生效  
  5. 非 `zh/en` 语种字段动态拼接（如 `de/fr/es`）

  
  
  
  ## reranker方面：
  BAAI/bge-reranker-v2-m3的一个严重badcase：
  q=黑色中长半身裙
  
  Rerank score: 0.0785
  title.zh: 2026款韩版高腰显瘦雪尼尔包臀裙灯芯绒开叉中长款咖啡色半身裙女
  title.en: 2026 Korean-style High-waisted Slimming Corduroy Skirt with Slit, Mid-Length Coffee-colored Skirt for Women
  
  Rerank score: 0.9643
  title.en: Black Half-high Collar Base Shirt Women's Autumn and Winter fleece-lined Contrast Color Pure Desire Design Sense Horn Sleeve Ruffled Inner Top
  title.zh: 黑色高领半高领女士秋冬内搭加绒拼色纯欲设计荷叶边袖内衬上衣